Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
1628 публикаций
Поиск: 139 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 496 с найденным полным текстом
Functional magnetic resonance imaging (fMRI) is a powerful tool for investigating human brain function. However, the high cost of data acquisition and the inherent subjectivity of psychiatric rating scales often lead to datasets with small sample sizes and variable label quality, especially when targeting a specific neurological condition. Combined with the inherently high dimensionality of fMRI data, these limitations substantially increase the risk of model overfitting. Recent years have seen growing interest in developing fMRI foundation models by combining multiple datasets; however, the c
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Gleason grading, the clinical gold standard for prostate cancer assessment, is based on subjective evaluation of glandular architecture, resulting in inter-observer variability and limited scalability. This highlights the need for automated grading systems. However, their development is hindered by the scarcity of annotated pathology data. Self-supervised learning (SSL) presents a promising solution by utilizing unlabeled data. Pathology images differ significantly in their diagnostic content, often characterized by subtle glandular structures rather than broad visual patterns. Existing SSL me
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Convolutional neural networks (CNNs) and vision transformers (ViTs) represent two dominant paradigms in deep representation learning. However, CNNs are inherently limited by fixed local receptive fields that lack global shape awareness, while ViTs discard geometric structure by treating inputs as unordered token sets. To bridge this gap, we propose SGNet-a novel neural architecture that operates in a joint spectral-geometric representation space, where features are learned simultaneously in the local spatial domain and a data-adaptive spectral basis derived from the intrinsic geometry of the i
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Predicting Drug-Target Interactions (DTIs) is a crucial task in drug discovery. Recent advances in deep learning, particularly the application of Large Language Models (LLMs), have shown promise in encoding sequential information from SMILES strings and protein sequences. However, integrating these diverse modalities remains a challenge. In this paper, we propose TextDTI, a multimodal framework that simultaneously exploits sequential and structural representations. First, TextDTI utilizes Pretrained Language Models (PLMs) to generate functional description texts for proteins represented by the
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The immune defense function protecting the body from invasive pathogens is a key indicator of an individual's health and lacks of methods for quantitative evaluation. This study introduces ImmuDef, a novel algorithm for precisely and quantitatively assessing anti-infection immune defense function based on RNA-seq data. ImmuDef selects immune signatures through comparisons of acquired immunodeficiency syndrome (AIDS) or severe sepsis vs. healthy controls (HC) and reduces dimension to construct a latent space via a variational autoencoder (VAE) model (QImmuDef-VAE), a representation deep learnin
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Drug-drug interactions (DDIs) are a major cause of adverse drug events in clinical practice, especially under polypharmacy settings where patients receive multiple medications simultaneously. Reliable computational prediction of DDIs is therefore essential for improving medication safety and supporting clinical decision-making. Despite recent advances in computational DDI prediction, existing methods often struggle to jointly model multi-granularity pharmacological semantics and stereochemical molecular characteristics, limiting their ability to generalize to previously unseen drugs under cold
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Peptide drug repurposing depends on identifying likely protein targets for a query peptide across a large candidate space, yet most existing peptide-protein interaction models are optimized for isolated pairwise classification rather than target prioritization. Here, we present PEARL, a recommendation-oriented heterogeneous graph learning framework for peptide target recommendation. PEARL represents peptides and proteins as distinct node types connected by known peptide-protein associations and multi-view peptide similarity, and combines graph-based representation learning with similarity-awar
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MOTIVATION: Cross-modal translation enables reconstruction of missing modalities in single-cell multi-omics data, supporting integrative analyses of cellular heterogeneity and regulatory relationships. However, existing methods often struggle to disentangle shared biological signals from modality-specific variation and to generalize across datasets.
RESULTS: We present scDAU, a deep learning framework that combines conditional diffusion-based feature regularization with multi-scale cross-modal translation networks. scDAU employs a feature decoupling strategy to separate shared semantic repres
СтатьяПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Medical image interpretation plays a critical role in lumbar fusion surgery, where accurate analysis of anatomical structures is essential for clinical assessment. However, most existing deep learning approaches rely primarily on visual features and fail to effectively integrate heterogeneous clinical information. This study proposes a multimodal deep learning framework for lumbar spine image interpretation by jointly modeling medical images and associated clinical text. The framework adopts a global-local representation learning strategy to capture both overall anatomical context and fine-gra
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Pituitary neuroendocrine tumors (PitNETs) are common sellar neoplasms and represent a major component of routine pituitary pathology. In the 2022 World Health Organization (WHO) Classification, transcription factor-defined lineage assignment is central to diagnosis. However, lineage-related morphologic information on routine hematoxylin and eosin (H&E)-stained whole-slide images (WSIs) has not been systematically characterized. We developed an attention-guided graph neural network to predict PitNET lineage directly from H&E-stained WSIs and to identify regions prioritized for classification. C
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Alzheimer's disease (AD) is a common neurodegenerative disease characterized by severe cognitive dysfunctions and brain disorders. The emergence of deep learning methods provides a feasible way to develop effective representations for clinical diagnosis of brain diseases. In this study, we proposed a deep manifold representation learning network to characterize the alteration of functional brain connectivity for AD detection. The proposed framework used a convolutional autoencoder (CAE) to infer low-dimensional manifold representations of functional brain networks reconstructed by phase correl
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Single-cell RNA sequencing (scRNA-seq) data are inherently high-dimensional, and most analysis tools reduce this complexity by projecting the data into a low-dimensional latent space before performing downstream analyses. However, the resulting representations are often entangled, with biological or technical factors such as batch effects and disease stages mixed together, which complicates interpretation. Recent methods have introduced disentanglement mechanisms to improve interpretability, but they typically require large amounts of well-annotated data to perform well or are limited to facto
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Traditional QSAR toxicity models are, in general, assessed with random train-test splits where structural overlaps between train and test compounds are allowed. This usually results in an inflated predictive performance. Therefore, this paper looks at the problem of toxicity prediction under the structural distribution shift and checks if representation-level invariance can contribute to better cross-family generalization. A set of 1792 structurally diverse organic molecules for which toxicity data (e.g., Tetrahymena pyriformis pIGC₅₀) were determined experimentally was modeled with physicoche
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Group-level averaging of psychophysiological data often obscures meaningful individual differences, masking response patterns that may explain variability in behavior and central nervous system activity. Identifying such patterns is particularly relevant in heart rate (HR) responses to threat, where subtle variations may reflect distinct coping mechanisms such as orienting or defense. Machine learning techniques that learn latent representations, particularly variational autoencoders (VAEs), offer powerful tools for revealing such hidden structures. This methodological report introduces a simp
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Optical coherence tomography (OCT) is a high-resolution and non-contact optical imaging and sensing modality that provides depth-resolved cross-sectional visualization of retinal microstructures. It plays an important role in the assessment of retinal diseases, including age-related macular degeneration (AMD) and diabetic macular edema (DME). However, automated OCT image classification commonly relies on fully supervised models that require large-scale expert annotations, which are costly and time-consuming because of the complex layered anatomy and subtle pathological patterns present in reti
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Objective.The complex internal organization of subcortical structures forms the foundation of critical neural circuits that support sensorimotor processing, emotion regulation, and memory. However, their complex internal organization poses a significant challenge to reliable, fine-scale parcellation.Approach.To overcome the trade-off between anatomical specificity and cross-subject consistency, we propose a novel multiscale subcortical parcellation framework grounded in consensus graph representation learning of diffusion magnetic resonance imaging (dMRI) tractography data. We propose a novel
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
With the advent of high-throughput techniques, multi-omics data and various clinical outcomes have been collected for a range of diseases. Multi-omics data play a crucial role in uncovering complex biological processes, yet simultaneous representation learning of such high-dimensional, heterogeneous multi-modality data along with clinical outcomes remains limited. To address this gap, we propose a supervised knowledge-guided Bayesian factor model for integrative analysis of multi-omics and clinical outcome data. The proposed method simultaneously extracts an informative low-dimensional represe
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Mitochondria are four-dimensional (4D: x, y, z, and time) organelles essential for cellular function. Characterizing their 4D phenotypic landscape across diverse cellular states requires both 4D imaging and analytical frameworks. We present MitoSpace, a self-supervised deep learning model trained without labels on terabytes of single-cell lattice light-sheet microscopy data of mitochondria under mechanistically distinct perturbations. MitoSpace learns latent representations that outperform predefined features in drug classification and capture interpretable variation in mitochondrial morpholog
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Cell-penetrating peptides (CPPs) facilitate the delivery of a variety of therapeutic molecules across the plasma membrane, from small chemical substances to nucleic acid-based macromolecules, such as antisense oligonucleotides (ASOs). Among neutral ASOs, peptide nucleic acids (PNAs) and phosphorodiamidate morpholino oligomers (PMOs) have been extensively studied as potential medical treatments for Duchenne Muscular Dystrophy (DMD), a severe genetic disease that causes muscle degeneration progressively. Over the last few decades, many in silico methods have emerged to detect novel C
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MOTIVATION: Interactions among long noncoding RNAs, circular RNAs, microRNAs, and messenger RNAs form complex gene expression regulatory networks, which are of great significance for the diagnosis, prevention, and treatment of complex diseases. Although existing computational methods have been developed to predict interactions among certain molecular types, they are generally limited to single-modality perspectives, overlooking competitive specificity and co-target cooperativity across multi-omics molecules, and thereby limiting their ability to elucidate cross-omics regulatory mechanisms.
RE
СтатьяПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.